AutoGen 使用教程：从入门到上手

AutoGen 是什么

AutoGen 是微软推出的一款开源多智能体（Multi-Agent）协作框架，核心思路很简单：让多个 AI Agent 互相聊天、分工合作，一起完成一个复杂任务。你可以把它理解成一个“AI 团队调度器”——每个 Agent 有自己的角色（比如“写代码的”“查资料的”“审稿的”），它们通过对话机制协调工作，最终输出结果。

它本质上是一个 Python 库，不是独立软件，所以需要你写几行代码来定义 Agent 的角色和任务流程。支持接入 OpenAI、Claude 等主流大模型，也支持本地部署的开源模型（比如 Llama、Qwen）。因为是微软出品，文档和社区都比较完善，适合有一定编程基础的人使用。

核心功能怎么用

AutoGen 的核心机制是 Agent 对话。你定义两个或多个 Agent，给它们设定身份和任务，然后让它们“开会讨论”。比如：

• AssistantAgent：负责执行具体任务（写代码、生成文本等），通常接一个 LLM。
• UserProxyAgent：模拟人类用户，负责提问、执行代码、反馈结果。

工作流程大致是：UserProxyAgent 发出指令 → AssistantAgent 调用 LLM 生成回答 → 如果涉及代码，UserProxyAgent 自动执行代码并返回结果 → AssistantAgent 根据结果继续迭代。整个过程不需要你手动干预。

更高级的用法是搭建多 Agent 群聊（GroupChat），比如让“数据分析师”“可视化工程师”“报告撰写员”三个 Agent 轮流发言，最终产出一份完整的分析报告。你只需要定义好每个 Agent 的 system prompt 和使用的模型即可。

第一次上手步骤

以下是一个最简单的“两个 Agent 协作写 Python 代码”的例子，适合快速体验。

第一步：安装

pip install pyautogen

第二步：配置 LLM
AutoGen 需要连接大模型才能工作。如果你有 OpenAI 的 API Key，可以直接用。如果国内访问受限，可以用国产模型替代，比如通过智谱、百川等平台的 API（需自行申请 Key）。配置方式如下：

import autogen

config_list = [
    {
        "model": "gpt-4",  # 替换为你的模型名
        "api_key": "你的API Key",
        "base_url": "你的API端点"  # 国产模型需要指定这个
    }
]

第三步：创建 Agent 并启动对话

# 创建助手 Agent
assistant = autogen.AssistantAgent(
    name="助手",
    llm_config={"config_list": config_list}
)

# 创建用户代理 Agent（模拟人类）
user_proxy = autogen.UserProxyAgent(
    name="用户",
    code_execution_config={"work_dir": "coding"},
    human_input_mode="NEVER"  # 完全自动化，不需要人工输入
)

# 发起任务
user_proxy.initiate_chat(
    assistant,
    message="写一个 Python 脚本，计算斐波那契数列的前20项，并打印出来。"
)

运行后，你会看到两个 Agent 在控制台“对话”：助手生成代码，用户代理执行代码，然后反馈结果。整个过程自动完成。

适合什么场景

AutoGen 最适合那些需要“多步推理+工具调用”的任务，比如：

• 数据分析流水线：一个 Agent 写 SQL 查数据库，另一个做可视化，第三个写总结报告。
• 代码生成与调试：让 Agent 写代码、自动运行、根据报错信息修改，直到通过。
• 多角色内容创作：比如“策划”Agent 出大纲，“写手”Agent 写初稿，“编辑”Agent 修改润色。
• 复杂问题分解：把一个大问题拆成子问题，分配给不同 Agent 并行处理，最后汇总。

如果你只是简单问答，用 ChatGPT 就行，没必要上 AutoGen。它的价值在于“流程编排”——当任务需要多个步骤、需要调用外部工具（代码执行器、文件读写、API 请求）时，优势就出来了。

价格说明

AutoGen 本身完全免费，MIT 开源协议，你可以随便用、随便改。但跑起来需要大模型，这部分有成本：

• 如果用 OpenAI 的 GPT-4，按 token 计费，多 Agent 对话会消耗更多 token，成本比单次问答高。
• 如果用国产模型（智谱、百川等），价格通常更低，部分有免费额度。
• 如果本地部署开源模型（比如 Qwen-7B），只要你有显卡，零成本。

建议刚开始用小模型或国产免费额度试水，摸清 token 消耗规律后再决定是否升级。